潛在擴散（latent diffusion）

潛在擴散，是那個聰明的捷徑，它讓圖像生成器變得又快又省，省到能在尋常硬體上跑。普通擴散模型，是直接在「像素」上做它那套加噪去噪的活兒——而一張高解析度圖像有數以百萬計的像素，一步步去噪起來代價驚人。潛在擴散繞開了這一點：它不在原始像素上、而在圖像一個「壓縮、縮小過」的表示上，去完成整個去噪過程。

它分三步走。第一，一個獨立的網路（自編碼器）學會把一張圖像擠壓成一小段「潛在」代碼——一份緊湊的數字摘要，留住有意義的內容、扔掉像素層面的臃腫——並學會把這樣一段代碼再展開還原成一整張圖。接著，擴散完全在那個小小的潛在空間裡運行，它可能比原圖小上幾十倍，於是每一步去噪都快得多。最後，清理乾淨的潛在代碼再被解碼回一張全解析度的圖。廣為人知的Stable Diffusion家族，走的正是這條路。

誠實的取捨是：在壓縮空間裡幹活省下了海量算力，卻也扔掉了一些資訊，於是極精細的細節——人群中的小臉、招牌上的確切字母、繁複的紋理——可能出來時糊掉或出錯，因為那段潛在代碼從來就沒精確地攜帶過這些細節。這是一場了不起的效率勝利，讓圖像生成飛入尋常百姓家；但它不是免費的午餐，壓縮留下了看得見的指紋。